“科研”

ZJUSOM

在知識經濟快速發展的今天，專利既是技術創新的重要載體，也是市場競爭的關鍵籌碼。無論是研發布局、投資決策，還是技術交易轉化，都離不開對專利價值的合理判斷。然而，專利價值評估如何兼顧實時性、可解釋性、準確性與自動化，一直是困擾學術界和產業界的“最后一公里”落地難題。傳統方法要么依賴滯后的引用數據，要么依賴主觀的人工判斷，難以穿透專利“技術—法律”雙重黑箱，更無法滿足當下創新決策對時效性與透明度的需求。

圖片來源：?千庫網

針對這一難題，浙江大學管理學院副教授劉景江與合作者，在信息科學與計算機科學領域高水平期刊Information Processing and Management發表論文“ERA: Aligning semantic models with revealed economic preference for real-time and explainable patent valuation”。他們構建多模態數據、開展人工智能技術實驗，創新性地提出了“經濟推理對齊理論與架構”(ERA，Economic-Reasoning Alignment)，并驗證了其在復雜決策場景下的有效性。這項研究不僅驗證了AI在垂直專業領域深度適配的可行性，也為專利資產價值的數字化、智能化評估提供了高效的全新決策支持系統。

本期【科研】專題，我們一起走進這項研究，看看他們如何讓大模型學會“經濟推理”，從而破解專利估值難題。

學者簡介

劉景江，浙江大學管理學院副教授。主要研究方向：技術創新與創業管理、戰略科技人力資源管理、人工智能技術在管理研究與產業創新中的應用（機器學習、人-機-場景交互智能、群智適配創新）。

*澳大利亞麥考瑞大學Yongmin Yoo、澳大利亞悉尼科技大學Seungwoo Kim同為論文作者。

專利估值為何“難”？

專利作為典型的無形資產，其價值評估的難度遠超有形資產。長期以來，學術界與產業界都在探索可靠的估值方法，但始終面臨兩大核心瓶頸。

一是信息不對稱與技術文本的“黑箱”特性。專利文本是高度專業化的“技術—法律”混合文本，充斥著專業術語與法律表述。外部評估者、投資者甚至企業管理者，都難以快速理解一項專利的核心技術價值與市場潛力。這種信息壁壘直接導致技術市場交易效率低下：高價值專利容易被埋沒，低價值專利卻可能占用大量資源，形成“劣幣驅逐良幣”的現象。

圖片來源：?千庫網

二是傳統指標嚴重滯后，無法支撐實時決策。現有專利價值評估高度依賴引用數據、專利家族規模等文獻計量指標。然而，這些指標存在明顯的時間滯后性——一項專利往往需要數年才能積累足夠的引用數據，這種“向后看”的特性使之無法在專利申請、布局、投資決策等關鍵節點提供實時判斷。同時，傳統方法多為“黑箱模型”，只能給出估值結果，卻無法解釋“為何這項專利有價值”，缺乏決策可信度。

簡單來說，傳統專利估值要么滯后，跟不上創新節奏；要么不透明，無法讓人信服。面對全球科技競爭白熱化、知識產權布局日趨激烈的新形勢，構建一套實時、精準、可解釋、可規模化的全新估值體系，有助于打通專利技術文本與市場價值之間的壁壘。

他們提出并驗證ERA框架，用大模型賦能專利估值

面對這一難題，研究團隊跳出傳統思路，首次將經濟顯示偏好理論與大語言模型語義推理深度融合，提出ERA框架——通過指令微調實現經濟推理對齊，讓大模型真正“讀懂”專利技術內涵，同時“看懂”市場真實價值信號，完成從“文本理解”到“價值推理”的跨越。

圖片來源：論文原文

具體而言，團隊創新性地用專利續費行為代表“顯示性經濟偏好”：專利權人每年需要支付逐年遞增的專利維持費用，本質是用真金白銀為專利價值“投票”，直接反映了專利的價值與市場認可度。與滯后、易受操縱的引用數據相比，專利續費行為是實時、客觀、無噪音的價值信號，能夠有效解決傳統估值缺乏可靠監督信號的痛點。

進一步地，ERA框架構建了一套完整的“經濟語義對齊”機制，分為三大核心環節，實現大模型從通用語言能力到專利估值專業能力的精準適配：

第一步是經濟思維鏈（Economic Chain-of-Thought）逆向構建。研究團隊設計了四步專利價值推理范式，讓模型按照技術識別—市場應用分析—法律保護范圍解讀—價值綜合評估的邏輯展開推理，模擬知識產權專家的專業評估思路，避免大模型“幻覺”與主觀偏差。同時，利用大模型作為“教師模型”，基于1萬件歐洲專利局真實續費數據，逆向生成高質量經濟推理樣本，構建專業的專利估值推理數據集。為保證實驗的科學性，團隊還設計了“領域—價值”交叉分層抽樣協議，確保技術領域與價值等級的平衡分布，有效消除了傳統抽樣中常見的偏差。

圖片來源：?千庫網

第二步是參數高效指令微調。團隊采用低秩適配（LoRA）技術，僅微調不到0.1%的大模型參數，在保留模型通用語言能力的同時，快速注入專利估值領域的經濟邏輯與專業知識，實現輕量化、低成本的領域適配，讓普通硬件也能支撐高效推理。

第三步是可解釋估值生成。與傳統“黑箱”模型不同，ERA框架不僅輸出專利價值等級（高/中/低），還同步生成完整的經濟推理依據，清晰說明“這項專利技術優勢是什么、市場潛力有多大、法律保護有多強、為何值這個價”，實現估值過程全透明、可追溯、可驗證。

簡單來說，ERA框架就像一位永不疲倦、精準客觀的知識產權資深分析師，既能快速吃透專利的技術與法律細節，又能錨定市場真實價值信號，給出實時、可信、帶完整推理過程的估值結果，解決傳統方法的滯后性、主觀性與不透明性。

研究意義：ERA的三重價值

在這項研究中，劉景江團隊首次提出了“經濟推理對齊”理論與架構（ERA），并驗證了其在專利價值評估這一復雜決策場景中的有效性，為專利資產的實時、可解釋、準確、自動化評估建立了新范式。

在理論層面，這項研究提出了全新的“經濟語義對齊范式”，架起了經濟現實與人工智能語義推理之間的橋梁。其一，研究引入了“顯性經濟偏好”（即專利續費行為）作為人工智能領域自適應的全新監督基準。其二，研究定義了“經濟思維鏈”機制，超越了傳統的“輸入—輸出”黑箱模型，將生成式人工智能的應用從簡單的文本摘要擴展到經濟語境下的生成式推理。其三，研究為企業實現AI驅動的場景適配創新提供了可計算的理論路徑。

圖片來源：?千庫網

在方法層面，研究團隊開發了一套嚴謹且可復用的技術方案。首先，設計了基于固定配額的“領域—價值”交叉分層隨機抽樣協議，確保技術領域與價值等級之間的平衡分布，有效消除了傳統抽樣中常見的偏差，使數據集天然適配少樣本學習評測。特別是，將單元格配額設為5或10的倍數以確保8:1:1劃分呈精確整數，消除梯度優化中的“舍入偏差”，保障訓練數值穩定，同時直接契合大模型前沿的N-shot評測協議，使數據集能跨架構公平評估各量級模型在極低資源下的泛化能力與語義捕捉精度。其次，提出了參數高效微調與領域特定指令協同優化的混合訓練策略，既避免了過擬合，又大幅降低了計算成本。再者，通過消融實驗等結構化設計，實證證明了“經濟思維鏈”是模型性能提升的因果驅動因素，而非表面特征記憶。最后，研究驗證了該方法在不同技術領域（跨IPC分類）的強大泛化能力，能有效應對小眾技術領域的數據稀缺問題。

在實踐層面，ERA框架為研發策略制定者、專利律師和風險投資者提供了一個可直接應用的決策支持系統。一方面，它實現了真正的實時評估——專利公開即可估值，無需等待數年積累引文數據，幫助企業快速識別高價值專利與低效資產，優化研發資源配置。另一方面，ERA生成的顯式推理鏈為人類專家提供了“認知支架”，形成了“AI提案+專家驗證”的高信任協作模式：AI負責高吞吐量篩選并輸出透明推理，專家只需快速審查邏輯合理性，無需從頭閱讀冗長晦澀的原始文本。這種模式將AI的計算能力與人類的戰略直覺相結合，最大限度地降低了深度學習黑箱帶來的決策風險。

圖片來源：?千庫網

專利價值的精準度量，是激活創新活力、優化資源配置、推動科技進步的關鍵一環。從百年前的傳統評估方法，到如今的大模型智能估值，專利估值領域的每一次進步，都在降低創新的不確定性，讓真正有價值的技術被發現、被保護、被轉化。

劉景江團隊的研究，不僅彰顯了浙大管院在創新管理、數字經濟與AI交叉研究領域的深耕，更為全球知識產權估值研究提供了“中國方案”。這項研究是在管理學院在人機協同及數智管理研究領域的又一標志性成果。未來，學院將繼續以“學科交叉BEST戰略”為牽引，推動更多扎根真實場景、服務產業創新的交叉研究走向縱深，讓知識創造真正轉化為經濟價值與社會財富。

附：論文摘要

This study proposes the Economic Reasoning Alignment via Instruction Tuning (ERA) framework, which aligns the semantic reasoning of Large Language Models (LLMs) with revealed economic preferences to establish a new paradigm for real-time and interpretable patent valuation. We theoretically conceptualize patent renewal history as a revealed economic preference and leverage it as an objective supervisory signal to align the generative reasoning of LLMs with market realities, a process we term Eco-Semantic Alignment. Our empirical analysis of 10,000 randomly sampled European Patent Office patents across diverse domains confirms the efficacy of this approach. The ERA framework achieves superior performance across all evaluated metrics compared to the baseline models. Specifically, it surpasses the traditional Random Forest model based on TF-IDF features by 36.3% in accuracy, 33.1% in Macro-F1, and 88.1% in the Matthews Correlation Coefficient (MCC). Against the discriminative pre-trained language model Longformer, ERA exhibits gains of 11.5% in accuracy, 8.7% in Macro-F1, and 27.4% in MCC. It also exceeds the zero-shot performance of the generative LLM GPT-5-mini by 9.6% in accuracy, 8.3% in Macro-F1, and 21.5% in MCC. The ablation study confirms the criticality of the Rationale Generation module (Economic Chain-of-Thought), whose removal led to the largest performance decline, with a 6.4% relative drop in Macro-F1. Moreover, ERA demonstrates robust applicability across heterogeneous patent landscapes.

編輯 | 伍梁永

初審 | 佟慶

二審 | 劉景江

三審 | 陳超

終審 | 王恩禹